دوره تخمین حالت با استفاده از فیلتر ذرات در MPC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تخمین حالت با استفاده از فیلتر ذرات در MPC

موضوع کلی: کنترل پیش بین مدل (MPC)

موضوع میانی: تخمین حالت

📋 سرفصل‌های دوره

• 1. مقدمه ای بر تخمین حالت
• 2. مفهوم تخمین حالت
• 3. اهمیت تخمین حالت در سیستم های MPC
• 4. معرفی فیلترهای کالمن
• 5. فیلتر کالمن خطی
• 6. محدودیت های فیلتر کالمن خطی
• 7. مقدمه ای بر فیلتر ذرات
• 8. نظریه احتمال و توزیع ها
• 9. تابع چگالی احتمال
• 10. مقدمه ای بر نمونه برداری مونت کارلو
• 11. نمونه برداری از توزیع ها
• 12. مفهوم ذرات
• 13. نمایندگی توزیع با ذرات
• 14. ارتباط ذرات با توزیع احتمال
• 15. فیلتر ذرات: چارچوب کلی
• 16. مراحل اصلی فیلتر ذرات
• 17. پیش بینی در فیلتر ذرات
• 18. به روز رسانی در فیلتر ذرات
• 19. نرمال سازی وزن ها
• 20. نمونه برداری مجدد (Resampling)
• 21. الگوریتم های نمونه برداری مجدد
• 22. نمونه برداری مجدد بدون تعویض
• 23. نمونه برداری مجدد با تعویض
• 24. اهمیت نمونه برداری مجدد
• 25. کاهش واگرایی وزن ها
• 26. جلوگیری از همگرایی به یک راه حل ضعیف
• 27. انتخاب تعداد ذرات
• 28. تأثیر تعداد ذرات بر دقت
• 29. تأثیر تعداد ذرات بر پیچیدگی محاسباتی
• 30. مدل دینامیک سیستم
• 31. معادلات حالت
• 32. معادلات اندازه گیری
• 33. مدل های خطی و غیرخطی
• 34. فیلتر ذرات برای سیستم های غیرخطی
• 35. محدودیت های مدل دینامیک
• 36. تعیین توزیع اولیه ذرات
• 37. انتخاب میانگین و کوواریانس توزیع اولیه
• 38. تاثیر توزیع اولیه بر عملکرد فیلتر
• 39. مراحل پیش بینی فیلتر ذرات
• 40. تولید ذرات جدید بر اساس مدل دینامیک
• 41. تولید نویز فرآیند
• 42. محاسبه حالت پیش بینی شده برای هر ذره
• 43. به روز رسانی وزن ذرات
• 44. محاسبه تابع درست نمایی (Likelihood Function)
• 45. مقایسه اندازه گیری واقعی با اندازه گیری پیش بینی شده
• 46. به روز رسانی وزن بر اساس تابع درست نمایی
• 47. فیلتر ذرات در زمینه MPC
• 48. کنترل پیش بین مدل (MPC)
• 49. چالش های MPC
• 50. عدم قطعیت در مدل MPC
• 51. تخمین حالت در MPC
• 52. نقش فیلتر ذرات در MPC
• 53. تخمین حالت دینامیکی در MPC
• 54. تخمین حالت ورودی های کنترلی در MPC
• 55. تخمین حالت پارامترهای سیستم در MPC
• 56. تخمین حالت خطاها و اختلالات در MPC
• 57. کاربرد فیلتر ذرات در MPC غیرخطی
• 58. تطبیق فیلتر ذرات با معماری MPC
• 59. بهینه سازی تابع هزینه در MPC با تخمین حالت
• 60. تخمین حالت برای پیش بینی آینده در MPC
• 61. تخمین حالت برای بهبود پایداری در MPC
• 62. تخمین حالت برای افزایش کارایی در MPC
• 63. مقایسه فیلتر ذرات با فیلترهای کالمن توسعه یافته (EKF)
• 64. مقایسه فیلتر ذرات با فیلتر کالمن بدون بو جفت (UKF)
• 65. مزایای فیلتر ذرات نسبت به EKF و UKF
• 66. معایب فیلتر ذرات نسبت به EKF و UKF
• 67. پیاده سازی فیلتر ذرات
• 68. انتخاب زبان برنامه نویسی
• 69. کتابخانه های مورد استفاده
• 70. معیارهای ارزیابی عملکرد فیلتر ذرات
• 71. خطای میانگین مربعات (MSE)
• 72. خطای جذر میانگین مربعات (RMSE)
• 73. انحراف معیار خطا
• 74. پیاده سازی فیلتر ذرات در شبیه ساز
• 75. شبیه سازی سیستم و فرآیند
• 76. تولید داده های مصنوعی
• 77. ارزیابی عملکرد در شرایط مختلف
• 78. تأثیر نویز بر عملکرد فیلتر
• 79. تأثیر عدم قطعیت مدل بر عملکرد فیلتر
• 80. مطالعات موردی فیلتر ذرات در MPC
• 81. مثال رباتیک
• 82. مثال سیستم های انرژی
• 83. مثال خودروهای خودران
• 84. مثال سیستم های تولید
• 85. روش های پیشرفته در فیلتر ذرات
• 86. فیلتر ذرات وزن دار (Weighted Particle Filter)
• 87. فیلتر ذرات مبتنی بر اهمیت (Importance Sampling Particle Filter)
• 88. فیلتر ذرات تطبیقی (Adaptive Particle Filter)
• 89. فیلتر ذرات با پارامترهای قابل یادگیری
• 90. فیلتر ذرات برای فضاهای حالت بزرگ
• 91. روش های کاهش ابعاد در فیلتر ذرات
• 92. کاربرد در سیستم های با ابعاد بالا
• 93. آینده پژوهی در فیلتر ذرات و MPC
• 94. ترکیب فیلتر ذرات با یادگیری عمیق
• 95. فیلترهای ذرات در زمان واقعی
• 96. چالش های محاسباتی و راه حل ها
• 97. نکات پایانی و توصیه ها